論文の概要: MuSe-Toolbox: The Multimodal Sentiment Analysis Continuous Annotation Fusion and Discrete Class Transformation Toolbox

• arxiv url: http://arxiv.org/abs/2107.11757v1
• Date: Sun, 25 Jul 2021 08:46:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-27 16:12:37.376979
• Title: MuSe-Toolbox: The Multimodal Sentiment Analysis Continuous Annotation Fusion and Discrete Class Transformation Toolbox
• Title（参考訳）: MuSe-Toolbox: Multimodal Sentiment Analysis Continuous Annotation Fusion and Discrete Class Transformation Toolbox
• Authors: Lukas Stappen and Lea Schumann and Benjamin Sertolli and Alice Baird and Benjamin Weigel and Erik Cambria and Bj\"orn W. Schuller
• Abstract要約: 私たちはPythonベースのオープンソースツールキットであるMuSe-Toolboxを紹介します。 本稿では, アノテーション間の合意に基づいて, アノテーションを重み付け, 融合する前に, 翻訳不変な方法でアノテーションを整列する小説Rater Aligned Aligned Weighting (RAAW)を提案する。 MuSe-Toolboxは、人間の介入を最小限に抑えたハードコードクラス境界よりも予測可能な、有望で斬新なクラス形成を提供できることを示す。
• 参考スコア（独自算出の注目度）: 22.656108191135193
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce the MuSe-Toolbox - a Python-based open-source toolkit for creating a variety of continuous and discrete emotion gold standards. In a single framework, we unify a wide range of fusion methods and propose the novel Rater Aligned Annotation Weighting (RAAW), which aligns the annotations in a translation-invariant way before weighting and fusing them based on the inter-rater agreements between the annotations. Furthermore, discrete categories tend to be easier for humans to interpret than continuous signals. With this in mind, the MuSe-Toolbox provides the functionality to run exhaustive searches for meaningful class clusters in the continuous gold standards. To our knowledge, this is the first toolkit that provides a wide selection of state-of-the-art emotional gold standard methods and their transformation to discrete classes. Experimental results indicate that MuSe-Toolbox can provide promising and novel class formations which can be better predicted than hard-coded classes boundaries with minimal human intervention. The implementation (1) is out-of-the-box available with all dependencies using a Docker container (2).
• Abstract（参考訳）: 私たちはPythonベースのオープンソースツールキットであるMuSe-Toolboxを紹介します。 一つのフレームワークにおいて、我々は幅広い融合手法を統一し、アノテーション間のラター間の合意に基づいてアノテーションを重み付け・融合する前に、翻訳不変の方法でアノテーションを整列する新しいRAAW(Rater Aligned Anightation Weighting)を提案する。 さらに、離散圏は連続的な信号よりも人間が解釈しやすい傾向にある。 これを考慮して、MuSe-Toolboxは、連続したゴールド標準で意味のあるクラスクラスタを徹底的に検索する機能を提供する。 私たちの知る限りでは、これは最先端の感情的ゴールド標準メソッドの幅広い選択と、それらの離散クラスへの変換を提供する最初のツールキットです。 実験結果から, MuSe-Toolboxは人間の介入を最小限に抑えたハードコードクラス境界よりも予測可能な,有望で斬新なクラス形成を実現できることが示唆された。 実装(1)は、dockerコンテナを使用するすべての依存関係が最初から利用可能である(2)。

関連論文リスト

• SLAck: Semantic, Location, and Appearance Aware Open-Vocabulary Tracking [89.43370214059955]
  Open-vocabulary Multiple Object Tracking (MOT)は、トレーニングセットにはない新しいカテゴリにトラッカーを一般化することを目的としている。 我々は,連合の初期段階において,意味論,位置,出現の先行を共同で検討する統一的な枠組みを提案する。 提案手法は,異なるキューを融合するための複雑な後処理を排除し,大規模オープン語彙追跡のための関連性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-09-17T14:36:58Z)
• Matching Anything by Segmenting Anything [109.2507425045143]
  我々は、堅牢なインスタンスアソシエーション学習のための新しい手法であるMASAを提案する。 MASAは、徹底的なデータ変換を通じてインスタンスレベルの対応を学習する。 完全アノテートされたドメイン内ビデオシーケンスでトレーニングした最先端の手法よりも,MASAの方が優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2024-06-06T16:20:07Z)
• Unsupervised Multimodal Clustering for Semantics Discovery in Multimodal Utterances [24.142013877384603]
  本稿では,新しい教師なしマルチモーダルクラスタリング手法 (UMC) を提案する。 UMCは、マルチモーダルデータのための拡張ビューを構築するためのユニークなアプローチを導入し、事前トレーニングを実行するために使用される。 我々は、最先端の手法よりもクラスタリングメトリクスの2-6%のスコアが顕著に改善され、この領域で最初の成功例となった。
  論文  参考訳（メタデータ） (2024-05-21T13:24:07Z)
• Embracing Diversity: Interpretable Zero-shot classification beyond one vector per class [16.101460010750458]
  クラス内の多様性を表現するために、ゼロショット分類は単一のベクトルを超えるべきであると論じる。 そこで本研究では,ゼロショット設定において,推論属性を用いたクラス内の多様性のエンコードと説明を行う手法を提案する。 提案手法は,大規模なデータセット群に対して,標準ゼロショット分類よりも一貫して優れることがわかった。
  論文  参考訳（メタデータ） (2024-04-25T16:29:06Z)
• SSSegmenation: An Open Source Supervised Semantic Segmentation Toolbox Based on PyTorch [1.52292571922932]
  SSSegmenationはPyTorchをベースとしたオープンソースの教師付きセマンティックイメージセグメンテーションツールボックスである。 MMSセグメンテーションによって動機付けられているが、依存関係が少ないため使いやすく、同等のトレーニングとテストのセットアップでセグメンテーションのパフォーマンスが優れている。
  論文  参考訳（メタデータ） (2023-05-26T17:02:42Z)
• USER: Unified Semantic Enhancement with Momentum Contrast for Image-Text Retrieval [115.28586222748478]
  Image-Text Retrieval (ITR) は、与えられたクエリに意味のあるターゲットインスタンスを、他のモダリティから検索することを目的としている。 既存のアプローチは通常、2つの大きな制限に悩まされる。
  論文  参考訳（メタデータ） (2023-01-17T12:42:58Z)
• Beyond Simple Meta-Learning: Multi-Purpose Models for Multi-Domain, Active and Continual Few-Shot Learning [41.07029317930986]
  低ラベル方式で動作するモデルの分散感応クラスを提案する。 最初の手法であるSimple CNAPSは階層的に正規化されたマハラノビス距離に基づく分類器を用いる。 我々はさらに、このアプローチをトランスダクティブ学習環境に拡張し、トランスダクティブCNAPSを提案する。
  論文  参考訳（メタデータ） (2022-01-13T18:59:02Z)
• Generative Multi-Label Zero-Shot Learning [136.17594611722285]
  マルチラベルゼロショット学習は、トレーニング中にデータが入手できない複数の見えないカテゴリにイメージを分類する試みである。 我々の研究は、(一般化された)ゼロショット設定におけるマルチラベル機能の問題に最初に取り組みました。 私たちのクロスレベル核融合に基づく生成アプローチは、3つのデータセットすべてにおいて最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2021-01-27T18:56:46Z)
• Multi-scale Interactive Network for Salient Object Detection [91.43066633305662]
  本稿では,隣接レベルからの機能を統合するためのアグリゲート・インタラクション・モジュールを提案する。 より効率的なマルチスケール機能を得るために、各デコーダユニットに自己相互作用モジュールを埋め込む。 5つのベンチマークデータセットによる実験結果から,提案手法は後処理を一切行わず,23の最先端手法に対して良好に動作することが示された。
  論文  参考訳（メタデータ） (2020-07-17T15:41:37Z)
• Unsupervised Meta-Learning through Latent-Space Interpolation in Generative Models [11.943374020641214]
  生成モデルを用いてメタタスクを生成する手法について述べる。 提案手法であるLAtent Space Interpolation Unsupervised Meta-learning (LASium)が,現在の教師なし学習ベースラインよりも優れているか,あるいは競合していることがわかった。
  論文  参考訳（メタデータ） (2020-06-18T02:10:56Z)
• UniT: Unified Knowledge Transfer for Any-shot Object Detection and Segmentation [52.487469544343305]
  オブジェクト検出とセグメンテーションの方法は、トレーニングのための大規模インスタンスレベルのアノテーションに依存します。 本稿では,直感的かつ統一的な半教師付きモデルを提案する。
  論文  参考訳（メタデータ） (2020-06-12T22:45:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。